Questão 1

Escolha um estado do sul ou sudeste do Brasil e analise o número de casos de óbitos de alguma doença no ano de 2019, como câncer de mama no estado do Rio de Janeiro. Os dados estão disponíveis em http://tabnet.datasus.gov.br.

  1. Faça um mapa da proporção de óbitos por município.
  1. Faça um mapa da taxa de mortalidade padronizada por município, um gráfico de dispersão considerando essas taxas e o tamanho da população e um gráfico de densidade das SMRs.
## [1] 2.590255e-05

  1. Calcule o índice de moran para esses dados.
## 
##  Monte-Carlo simulation of Moran I
## 
## data:  df$prop 
## weights: ww  
## number of simulations + 1: 10000 
## 
## statistic = 0.031152, observed rank = 8968, p-value = 0.1032
## alternative hypothesis: greater
  1. Calcule a estimativa bayesiana empírica das taxas, faça um mapa das estimativas.
  1. Calcule o risco relativo utilizando o modelo BYM, utilize o IDH e analfabetismo dos municípios como covariáveis, faça um mapa das estimativas do risco relativo.
## 
## Call:
##    c("inla(formula = MORTES ~ 1 + taxa_anal + IDHM + f(id_area, model = 
##    \"iid\"), ", " family = \"poisson\", data = df, E = df$E_i, 
##    control.compute = list(dic = TRUE, ", " waic = TRUE), control.predictor 
##    = list(compute = TRUE))" ) 
## Time used:
##     Pre = 0.83, Running = 3.37, Post = 0.59, Total = 4.79 
## Fixed effects:
##               mean    sd 0.025quant 0.5quant 0.975quant   mode kld
## (Intercept) -1.055 1.609     -4.503   -0.951      1.816 -0.736   0
## taxa_anal   -5.409 3.874    -12.929   -5.438      2.267 -5.496   0
## IDHM         1.729 2.001     -1.844    1.600      6.014  1.337   0
## 
## Random effects:
##   Name     Model
##     id_area IID model
## 
## Model hyperparameters:
##                           mean       sd 0.025quant 0.5quant 0.975quant mode
## Precision for id_area 18641.55 19191.65      23.88 12626.14   70342.46 6.43
## 
## Expected number of effective parameters(stdev): 3.63(3.41)
## Number of equivalent replicates : 136.66 
## 
## Deviance Information Criterion (DIC) ...............: 529.57
## Deviance Information Criterion (DIC, saturated) ....: 305.86
## Effective number of parameters .....................: 3.27
## 
## Watanabe-Akaike information criterion (WAIC) ...: 532.21
## Effective number of parameters .................: 5.62
## 
## Marginal log-Likelihood:  -272.56 
## Posterior marginals for the linear predictor and
##  the fitted values are computed
  1. Interprete os parâmetros estimados do modelo da letra e.

  2. Qual a diferença entre as taxas do modelo bayesiano e a taxa de mortalidade padronizada?